چکیده: آنزیم ‏های تیروزین کیناز میانجی ‏های مهم آبشار پیام‏ دهی هستند که نقش کلیدی تعیین ‏کننده ‏ای در فرایندهای بیولوژیکی گوناگون دارند. تحقیقات نشان داده که کاهش فعالیت این آنزیم در بهبود برخی سرطان‏ها تأثیر به ‏سزایی دارد. در بررسی اول رابطه ‏ی کمی ساختار – فعالیت 60 آنالوگ 4- (3 برمو)-6 و 7- دی متوکسی کینازولین که بازدارنده‏ های تیروزین کیناز گیرنده‏ی فاکتور رشد اپیدرمی می‏ باشند، با استفاده از شبکه‏ ی عصبی مصنوعی با الگوریتم آموزشی تنظیم بایزین مورد مطالعه قرار گرفت و با روش رگرسیون خطی چندگانه مقایسه گردید. از میان تعداد زیادی توصیف‏ گر محاسبه شده، فقط 9 توصیف‏ گر بوسیله‏ ی رگرسیون مرحله به مرحله انتخاب و سپس از آن‏ها به عنوان ورودی‏ شبکه استفاده شد. سری داده ‏ها به طور تصادفی به 45 ترکیب سری آموزش، 10 ترکیب سری ارزیابی و 5 ترکیب سری تست تقسیم گردید. مدل‏های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی ساخته شدند. توانایی پیش‏ بینی مدل ‏ها با استفاده از سری ارزیابی، سری تست، روش رد تک تک مورد ارزیابی قرار گرفت و خطای مجذور میانگین (MSE) برای سری ارزیابی، سری تست و روش رد تک تک بترتیب 0/1329، 0/1937 و 0/3367 می‏باشد. نتایج حاصله نشان‏دهنده ‏ی قدرت پیش ‏بینی بالای مدل شبکه ‏ی عصبی مصنوعی می‏باشد. در بررسی دوم QSAR بازدارنده‏ های نکروپتوسیس (نکروستاتین-5) مورد مطالعه قرار گرفتند (نکروپتوسیس نوعی مرگ سلولی می‏باشد که با نکروسیس و آپوپتوسیس متفاوت است). مجموعه ‏ی داده ‏های مورد بررسی شامل 161 ترکیب از مشتقات نکروستاتین-5 می‏باشد. فعالیت این ترکیبات با استفاده از روش شبکه ‏ی عصبی مصنوعی با الگوریتم آموزشی تنظیم بایزین مورد بررسی قرار گرفت. مدل طراحی شده قادر است که با دقت 100% ترکیبات مورد نظر را از نظر بازدارندگی به دو دسته ‏ی فعال و غیرفعال تقسیم کند. در قسمت دوم با 52 مورد از ترکیبات فعال و ایجاد 8 توصیف‏گر مدل‏هایی با قدرت پیش‏گویی مستقیم pEC50 بر حسب مولار مربوط به هر ترکیب ایجاد شد. خطای مجذور میانگین (MSE) برای سری ارزیابی، سری تست و روش رد تک تک به ترتیب 0/0651، 0/0767 و0/0589 می‏باشد. کلید واژه‏ها: ارتباط کمی ساختار‏- فعالیت، توصیف‏گر مولکولی، فعالیت دارویی، بازدارنده، شبکه‏ی عصبی مصنوعی